What Makes Clusters Competitive?
Notice bibliographique
Résumé
While global competitiveness is increasingly invoked as necessary for economic success stories, there are few answers available about how it can be achieved or maintained. The idea of stimulating industries to spur on economies is often proposed, but industrial policy can be seen as a boondoggle of government spending, and theorists of globalization are doubtful that such efforts can succeed in a world of fragmented supply chains. What Makes Clusters Competitive? tests fundamental theoretical hypotheses about what makes industries competitive in a globalized world by using the wine industries of several countries as case studies: Extremadura (Spain), Tuscany (Italy), South Australia, Chile, and British Columbia (Canada), Taking into account historical and location-specific characteristics, and drawing out policy lessons for other regions that would like to promote their industries, this volume demonstrates the value of applying cluster theory to understand market forces, while also describing the forces underlying the development of the wine industry in a range of different settings. An excellent resource for those interested in what makes industries succeed or struggle, What Makes Clusters Competitive? offers guidance for policymakers and the private sector on how to promote local industries. Contributors include David Aylward, Alexis Bwenge, Sara Daniele, F.J. Mesías Díaz, Christian Felzenstein, Husam Gabreldar, F. Pulido García, Sarah Giest, Elisa Giuliani, Andy Hira, Mike Howlett, A.F. Pulido Moreno, and Oriana Perrone.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,008 | 0,011 |
| Communication savante | 0,019 | 0,016 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,007 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».